Introduction

La fatigue mécanique est un phénomène inhérent aux matériaux soumis à des contraintes cycliques.

C'est un processus progressif de dégradation structurelle qui résulte de charges répétées, engendrant
des contraintes fluctuantes.
Comment la fatigue travail sur la
durée de vie des structures
Ces contraintes fluctuantes, même si elles sont
bien en dessous du seuil de rupture instantanée
du matériau, peuvent entraîner des fissures
microscopiques qui progressent graduellement
à chaque cycle de charge à cause de différents
facteurs, tel que:
•L’état de surface;
•La taille et les dimensions de la structure;
•L a température;
•La concentration de contraintes aux alentours
des entailles;
•Le milieu;
•La fréquence;
•Les contraintes résiduelles
Prédiction de la durée de vie des
structures à travers les méthodes
de simulation numérique
 Méthodes des réseaux de Kriging

La méthode des Réseaux de Kriging est une technique d'interpolation statistique utilisée
pour estimer les valeurs inconnues dans un domaine spatial en se basant sur des
données existantes.
Elle repose sur des concepts de géostatistique et prend en compte la corrélation spatiale
entre les points de données.
 Méthodes des réseaux de Kriging

Collecte de données Spatiales :

 Les Réseaux de Kriging s'appuient sur des données spatiales existantes, collectées à
partir de capteurs ou d'analyses de contraintes à divers points de la structure.
 Ces données spatiales décrivent les variations de contraintes à travers l'espace.
Estimation Précise :
 En utilisant ces données, le Kriging offre une estimation précise des contraintes dans les
zones non mesurées, en prenant en compte la corrélation spatiale entre les points.
 Il minimise l'erreur de prédiction, produisant ainsi une représentation statistiquement
fiable des contraintes cycliques.
 Méthodes des réseaux de Kriging

Anticipation de Zones Critiques :

 Grâ ce à sa capacité à modéliser finement les variations spatiales, le Kriging permet
d'anticiper les zones critiques où la fatigue peut être plus sévère.
 Cette anticipation est cruciale pour identifier les endroits nécessitant une attention
particulière en termes de gestion de la fatigue.
Intégration dans la Simulation :
 Les résultats du Kriging sont ensuite intégrés dans la simulation numérique de la
structure.
 Cette intégration permet d'affiner la compréhension des contraintes liées à la fatigue,
offrant ainsi des insights essentiels pour l'optimisation de la durée de vie des structures.
Méthodes des éléments
finis non linéaires
La méthode des É léments Finis Non Linéaires est une approche
sophistiquée reposant sur la discrétisation de la structure
en éléments plus petits pour résoudre numériquement les
équations non linéaires associées aux charges cycliques et à
la fatigue.

Elle discrimine la structure en une multitude d'éléments pour

mieux représenter les variations complexes des contraintes,
déformations et propriétés matérielles survenant sous
l'influence de charges répétées.

Cette discrimination fine permet de capturer des phénomènes

non linéaires tels que la déformation plastique et les
changements de comportement des matériaux au fil du
temps, rendant ainsi possible une modélisation plus réaliste
des conditions de fatigue.
 Méthodes des éléments finis non linéaires
1.Modélisation Précise de la Déformation Plastique :
Ces méthodes permettent une représentation précise des déformations plastiques, capturant de manière
réaliste les changements permanents de forme que peuvent subir les matériaux sous des charges
importantes.

2. Gestion des Déformations Permanentes :

L'une des grandes forces des É léments Finis Non Linéaires réside dans leur capacité à modéliser les
déformations permanentes, offrant une compréhension approfondie des changements structurels qui
surviennent après des cycles répétés de chargement.

3. Simulation Précise des Contraintes en Fatigue :

Ces méthodes sont particulièrement efficaces pour simuler avec précision les variations de contraintes
induites par des chargements cycliques, essentielles pour évaluer la résistance des matériaux à la fatigue.

4. Adaptabilité des Propriétés Matérielles :

Les É léments Finis Non Linéaires peuvent ajuster dynamiquement les propriétés matérielles en fonction des
variations de charge, assurant ainsi une modélisation plus réaliste des conditions de fatigue et facilitant
l'optimisation de la durée de vie des structures.
 Méthodes basées sur l’apprentissage automatique
(machine learning)

Dans le domaine du Machine Learning appliqué à la prédiction de la durée de vie des structures
soumises à la fatigue, la méthode d'émergence, qui englobe des techniques telles que les
réseaux de neurones et les algorithmes d'apprentissage automatique, se distingue:
Les réseaux de neurones:
 Des modèles inspirés du fonctionnement du cerveau humain, capables d'apprendre des
modèles complexes à partir de données.
L'algorithme d'apprentissage automatique:
 repose sur la capacité d'une machine à assimiler des informations et à améliorer ses
performances au fil du temps.
Méthodes basées sur l’apprentissage automatique
(machine learning)
Avantages des Méthodes d'É mergence :

Capacité d'Adaptation :
Ces méthodes peuvent s'adapter dynamiquement aux structures complexes et
aux données hétérogènes, offrant une flexibilité essentielle dans la
modélisation de la fatigue.

Identification de Modèles Non Linéaires :

Les algorithmes d'émergence peuvent identifier des modèles non linéaires,
souvent présents dans les comportements complexes des matériaux soumis à
des chargements cycliques.

Prise en Compte des Interactions Multiples :

Ces méthodes sont capables de prendre en compte des interactions multiples
entre divers paramètres, ce qui est crucial pour une modélisation précise.
Méthodes basées sur l’apprentissage automatique
(machine learning)

Opération des Méthodes d'É mergence dans la Prédiction de la Durée de Vie :

Ces méthodes exploitent des jeux de données historiques, intégrant des

informations telles que:
• les contraintes, les déformations, et les cycles de chargement.

Le modèle apprend ces relations à partir des données et peut ensuite prédire la
durée de vie restante des structures en fonction des conditions actuelles.

L'utilisation d'algorithmes d'apprentissage automatique offre une capacité

d'ajustement continue, permettant ainsi d'améliorer constamment la précision
des prédictions au fur et à mesure de l'accumulation de nouvelles données
 Optimisation de la durée de vie des structures à
l’aide des méthodes de simulation numérique
Structures Déjà en Service :
Pour les structures existantes, l'utilisation de méthodes de simulation numérique telles que les
Réseaux de Kriging et les É léments Finis Non Linéaires est cruciale.
Cela permet de surveiller la santé structurelle, d'anticiper les zones sujettes à la fatigue, et
d'optimiser la maintenance pour prolonger la durée de vie.

Cas NCR/ Bombardier Inc. Dans le laboratoire d’analyse de l’intégralité structurale dans le conseil national de recherche Canada, Ottawa, Ontario
 Optimisation de la durée de vie des structures à
l’aide des méthodes de simulation numérique
Reconception Après Rupture :
En cas de rupture, les É léments Finis Non Linéaires sont essentiels pour comprendre les
déformations et les charges impliquées.
Les simulations numériques guident la reconception en identifiant les faiblesses, aidant ainsi à
élaborer des structures plus robustes et résistantes à la fatigue.

Analyse d’un arbre de rotor après sa rupture pour reconcevoir un autre plus résistible
 Optimisation de la durée de vie des structures à
l’aide des méthodes de simulation numérique
Conception de Nouvelles Structures :
Lors de la conception d’un nouveau produit, les É léments Finis Linéaires et Non Linéaires
sont utilisés pour évaluer la performance structurelle sous diverses conditions.
Les méthodes basées sur l'apprentissage automatique fournissent des prédictions plus
rapides et peuvent guider les choix de conception.

Utilisation des méthodes de simulation numérique pour prédire le comportement de la structure

face à une soudure